图网络和双曲嵌入都是快速发展中的算法，二者都有很强的通用性。一方面，图网络（GCN为代表）的通用性体现在消息传播机制，即对邻居节点的信息聚合，体现的是局部结构特性，此外图网络可以充分利用节点的特征信息。另一方面，大部分网络结构还具有无标度、小世界、幂律分布等全局特征。这些特征不能直接在GCN中体现，却可以通过双曲嵌入很好的表现出来。本文在诸多前人工作基础上，结合图网络和双曲嵌入的优势，提出了双曲嵌入(hyperbolic embedding)下的图卷积网络，即HGCN。在这种网络结构下，普通的神经网络操作通过增加曲率参数推广到双曲空间，优化也在双曲空间中进行。HGCN在诸多的数据集上， 在节点分类和连边预测等任务上取得了比GCN类算法更好的效果，成为图网络算法的有力扩展。

论文题目：

Hyperbolic Graph Convolutional Neural Networks

论文地址：

https://arxiv.org/abs/1911.05076

编辑：张爽

• 第三十六期图网络论文解读
• 时间：11 月11日周一
• 主讲人：高飞
• 论文题目：
  Approximation Ratios of Graph Neural Networks for Combinatorial Problems
• 论文地址：
  https://arxiv.org/abs/1905.10261
• 视频回放：
http://campus.swarma.org/play/coursedetail?id=11064

• 第三十五期图网络论文解读
• 时间：11 月04日 周一
• 主讲人：刘晶
• 论文题目：

  Variational Graph Convolutional Networks

• 论文地址：
  https://grlearning.github.io/papers/
• 视频回放:
http://campus.swarma.org/play/coursedetail?id=11063
• 第三十四期图网络论文解读
• 时间：10月28日 周一
• 主讲人：陈孟园
• 论文题目：

  DeepGCNs: Making GCNs Go as Deep as CNNs

• 论文地址：

  https://arxiv.org/abs/1910.06849

• 视频回放：
http://campus.swarma.org/play/coursedetail?id=11062

---

集智俱乐部QQ群｜877391004

商务合作及投稿转载｜swarma@swarma.org

◆◆◆

搜索公众号：集智俱乐部

加入“没有围墙的研究所”

让苹果砸得更猛烈些吧！

原文始发于微信公众号（集智俱乐部）：集智